这篇论文主要讨论了利用少量样本进行图像变化检测的问题，并通过使用简单的图像处理方法生成合成但具有信息量的数据集并设计了基于目标检测的早期融合网络来解决数据集不足导致的泛化能力差的问题。研究结果表明，使用合成数据训练的模型具有更好的泛化能力，且在此基础上利用少量样本进行微调能够获得优秀的结果。

Nov, 2023

通过引入背景增强技术，加强自监督学习中对物体的语义关注， 系统调研发现其在多个自监督学习任务中均有大幅提升效果，并成为有监督学习的有力竞争者，并在无监督显著性检测方面取得进展。

Mar, 2021

本文提出了基于可视化 - 语言预训练的多模态对比学习（ChangeCLIP）用于变化检测领域的广义化。同时，还提出了动态语境优化的提示学习方法。此外，为了解决现有方法中的数据依赖性问题，引入了基于单时序和可控的 AI 生成训练策略（SAIN）。通过在真实世界的大量单时序图像上训练模型而无需图像对，ChangeCLIP 实现了出色的广义化能力。大量实验验证了 ChangeCLIP 在一系列真实变化检测数据集上的优越性和强大的广义化能力，胜过了现有的最先进变化检测方法。代码将会提供。

Apr, 2024

本文提出了一种称为 Background Mixup 的数据增强方法来提高手对象检测的性能，通过混合不包含手和物体的背景图像来防止意外偏差，有效地减少假阳性，适用于监督和半监督学习。

Feb, 2022

本文提出了一种基于敌对样本的选择性、动态并且与检测器演化相关的数据扩增方法，该方法适用于目标检测模型，能够大幅提高模型的鲁棒性和检测精度。与基于模型无关的自动增广方法相比，在不同的检测模型中，该方法表现更加广泛和稳健。

Mar, 2021

本文提出了基于弱监督数据增强网络（WS-DAN）来增强数据的判别力，通过产生注重于目标物体区域的注意力图，从而提升深度神经网络的训练，从而提高了图像分类的准确性，得到了优于现有最优模型的结果。

Jan, 2019

这篇论文提出了一种基于生成式对抗网络的全卷积变化检测框架，它可以将无监督、弱监督、区域监督和全监督变化检测任务整合到一个框架中，并证明了该框架在无监督、弱监督和区域监督变化检测中的有效性。

Jan, 2022

本文提出了 W-CDNet，一种新型的基于弱监督学习方法的变化检测网络，可以通过基于图像级别的语义标签训练，既可以用于只包含变化图像对又可以用于包含变化和不变图像对的数据集；W-CDNet 使用两个 W-shaped Siamese U-Net 提取特征地图，然后比较这两个特征地图来创建原始变化遮罩，并利用 CSC 模块使用自定义重新映射块学习准确的变化遮罩并将当前输入图像分割成相应的标签。该方法在三个公开数据集上取得了当下最优的误差检测和分类性能。

Nov, 2020

本文提出了一种新颖的 DoubleAUG 方法，它包括图像级和特征级增强方案，旨在解决城市场景中单域泛化目标检测任务，即在不同天气条件下训练的模型能够在任何其他天气条件下表现良好。通过大量实验证明我们提出的方法优于现有方法，并且消融研究证实了我们方法中每个模块的有效性。此外，我们的方法可以与现有方法集成，进一步提高模型性能。

Nov, 2023

深度神经网络在工业制造环境中，数据增强成为了缓解过拟合和提升网络性能的关键策略。我们提出了一种针对工业应用和基准数据集的方法 ContextMix，通过调整图片大小并将其整合到批次中的其他图片中，生成新的数据。该方法在性能上超过了现有的增强技术，并在公共基准数据集上的分类、检测和分割任务中展示了改进的结果。在真实的工业环境中，我们的方法表现出了显著的效果，尤其是在被动元件数据集上。

Jan, 2024